识别亨廷顿病轨迹中的时间模式,使用基于多模式数据的动态时间扭曲集群
Alexia Giannoula1, Audrey E De Paepe2,3, Ferran Sanz2
1Research Group on Integrative Biomedical Informatics (GRIB), Department of Medicine and Life Sciences (MELIS), Universitat Pompeu Fabra, Hospital del Mar Research Institute, Barcelona, Spain. alexia.giannoula@upf.edu.
Scientific reports
|January 24, 2025
概括
这项研究引入了一种新的数据挖掘方法,使用动态时间曲线 (Dynamic Time Warping) 来聚合患者的健康数据,揭示了个性化医疗的独特时间模式. 它有助于通过分析个体变异性来分层亨廷顿病患者.
科学领域:
- 计算生物学是一种计算生物学.
- 精准医学是一门精准的医学.
- 数据挖掘是一种数据挖掘.
背景情况:
- 精准医学旨在通过基于变异性的个人分层来个性化患者护理.
- 从现实数据 (RWD) 中提取有意义的见解,就像电子健康记录一样,面临着方法和计算方面的挑战.
- 了解疾病进展中的个体变异性对于开发个性化策略至关重要.
研究的目的:
- 提出基于动态时间扭曲的无监督集群方法论,用于使用多模式健康数据对患者轨迹进行分层.
- 将时间变化的临床和成像特征纳入聚类过程中.
- 为了证明该方法在识别亨廷顿病 (HD) 患者数据中的时间模式中的应用.
主要方法:
- 开发了一种基于动态时间扭曲的无监督聚类方法,用于多模态患者轨迹.
- 集成的时间变化的临床和成像功能,使用适应的成本最小化算法.
- 将该方法应用于亨廷顿病数据,分析特征重量和颗粒度值.
主要成果:
- 基于共享的时间特征,成功地集群了多模式的疾病发病患者轨迹.
- 鉴定了疾病进展中独特的时间模式,受特征重量和颗粒度的影响.
- 提供了多项式匹配和每个识别的集群内的特征行为平均值.
结论:
- 拟议的数据挖掘方法允许对具有相同诊断的患者的多模式健康数据中不同的时间模式进行分层.
- 这种方法允许使用户定制的标准超越目前的临床实践分析个体变异性.
- 这些发现对改善疾病进展的分析有意义,为个性化预防,诊断和治疗策略铺平了道路.


